仅一个自变量存在不确定度时，能否用Scipy ODR执行多元回归？

核心结论 #

正交距离回归（ODR）理论上支持部分自变量无测量误差的混合场景，但你遇到的报错是Scipy ODR模块的数值实现局限：它会通过1/标准差²计算权重，当标准差为0时直接触发除以零错误，导致拟合崩溃。

代码错误原因 #

你将无误差自变量x₀的标准差设为全0数组，Scipy ODR在内部计算权重时执行1./numpy.power(sd, 2)，直接触发除以零的数值错误，最终输出NaN的拟合结果。

可行替代方案 #

方案1：给无误差自变量设极小标准差（快速数值技巧） #

给x₀设置一个极小的标准差（如1e-10），既模拟"完美测量"的效果，又避免除以零。修改代码中sx的定义：

sx = np.row_stack([np.full(N, 1e-10), np.random.random(N)])

极小的标准差会让该变量的权重趋近于无穷大，拟合时几乎不会调整x₀的取值，完全符合完美测量的假设。

方案2：重构模型，剥离无误差自变量 #

将无误差的x₀作为固定参数传入模型，仅对有误差的x₁和y执行ODR，更贴合理论逻辑：

import numpy as np
from scipy import odr

# 重构模型：仅将x₁作为待拟合的自变量，x₀作为固定参数传入
def model_test(B, x, x0):
    return B[0]*x0 + B[1]*x**2 + B[2]

N = 1000
x0 = np.linspace(0, 100, N)
x1 = np.linspace(0, 100, N)
sy = np.random.random(N)
sx1 = np.random.random(N)

y = model_test([3.0, 4.0, 5.0], x1, x0)

# 通过extra_args传入固定的x0
model = odr.Model(lambda B, x: model_test(B, x, x0))
data = odr.RealData(x=x1, y=y, sx=sx1, sy=sy)
odr_test = odr.ODR(data, model, beta0=[1.0, 2.0, 3.0])
output = odr_test.run()
output.pprint()

方案3：自定义损失函数+优化器 #

如果需要更严谨的实现，可以手动编写正交距离的加权损失函数，用scipy.optimize.minimize直接优化：

• 对有误差的x₁和y计算正交距离的加权平方和
• 无误差的x₀不参与调整，直接使用原始测量值

内容的提问来源于stack exchange，提问作者Electronic Ant